基于电子电离质谱数据和机器学习的新精神活性物质分类预测模型构建OA北大核心CSTPCDEI
新精神活性物质的结构变化快速,给基于标准物质和质谱数据库筛选和鉴定这些新物质带来了挑战。本研究使用机器学习方法为未知新精神活性物质的结构鉴定提供新策略。基于871个质谱数据集构建了最近邻、支持向量机、随机森林和人工神经网络算法用于新精神活性物质的结构分类预测,采用5倍交叉验证的网格搜索对模型的超参数进行优化,使用混淆矩阵、准确度、精密度、召回率和f-分数评估4种分类预测模型的性能。结果表明,随机森林模型的预测能力最优,整体准确度可达89.27%,可以很好地对未知化合物结构类别进行预测,从而为未知化合物的结构鉴定提供依据。
许情;吕敏;邓虹霄;胡驰;向平;陈航;
司法鉴定科学研究院,司法部司法鉴定重点实验室,上海市法医学重点实验室,上海市司法鉴定专业技术服务平台,上海200063 中国药科大学药学院,江苏南京210009司法鉴定科学研究院,司法部司法鉴定重点实验室,上海市法医学重点实验室,上海市司法鉴定专业技术服务平台,上海200063中国药科大学药学院,江苏南京210009
化学
电子电离质谱(EI-MS)新精神活性物质机器学习分类预测模型
《质谱学报》 2024 (005)
P.640-646 / 7
国家重点研发计划(2022YFC3300903);中央引导地方科技发展资金项目(226Z5601G);国家级科研院所公益项目(GY2022D-1);上海市法医学重点实验室(21DZ2270800);上海市司法鉴定专业技术服务平台;司法部司法鉴定重点实验室。
评论